05. 상황별 프롬프트 템플릿 — 복사해서 바로 사용

{주제} 관련 테이블을 찾아줘

@{catalog.schema.table}을 프로파일링해줘.
row 수, 컬럼별 타입/NULL 비율/고유값 수/min/max/mean을 표로 보여줘.

@{catalog.schema.table}의 데이터 품질을 점검해줘:
1. NULL이 10% 이상인 컬럼
2. 중복 레코드 ({PK 컬럼} 기준)
3. 이상치 ({컬럼} < {하한} 또는 > {상한})
4. 참조 무결성 (@{마스터 테이블}과 비교)

@{catalog.schema} 스키마의 모든 테이블과 테이블 간 관계(JOIN 키)를 정리해줘.

@{catalog.schema.table}을 EDA 해줘.
주요 패턴, 분포, 이상치를 시각화와 함께 보여줘.
matplotlib 사용.

@{catalog.schema.table}에서 {분석 관점}을 분석해줘:
1. {컬럼A}별 {메트릭} 분포 (히스토그램)
2. {컬럼B}별 평균 {메트릭} (막대 차트)
3. {컬럼C}별 비율 (파이 차트)
4. {컬럼D}와 {컬럼E}의 상관관계 (산점도)

각 차트에 인사이트를 한 줄씩 코멘트해줘.

@{table_A}와 @{table_B}를 {JOIN 키}로 조인해서,
{분석 질문}을 분석해줘.
{조건A} vs {조건B} 차이도 비교해줘.

@{bronze_table}을 정제하여 {catalog}.silver.{table_name}을 만들어줘.

변환 규칙:
- {PK} 기준 중복 제거 (최신 timestamp 유지)
- {FK}가 @{master_table}에 없는 레코드 제거
- {컬럼}이 {이상치 조건}인 레코드 제거
- {NULL 컬럼} → {기본값}으로 대체
- event_date 파티션 추가

기존 테이블 DROP하지 말고 CREATE OR REPLACE로.

@{silver_table}을 집계하여 {catalog}.gold.{table_name}을 만들어줘.

그레인: {dimension1} × {dimension2}
컬럼: {metric1}, {metric2}, {metric3}, ...
@{master_table} 조인으로 {추가 컬럼} 추가.
{파티션 키} 파티셔닝, {Z-ORDER 키} Z-ORDER.

Bronze → Silver → Gold 변환을 SDP로 만들어줘.

파이프라인 이름: {pipeline_name}
타겟 카탈로그: {catalog}
- Bronze → Silver: Streaming Table (증분 처리)
- Silver → Gold: Materialized View (자동 리프레시)
- Expectations:
  expect("{rule_name}", "{condition}")
  expect("{rule_name}", "{condition}")
- 위반 레코드는 quarantine 스키마로 분리

{pipeline_name}을 매일 자동 실행하는 Job을 만들어줘.
- 스케줄: 매일 {시간} KST
- 재시도: 최대 2회, 간격 10분
- 서버리스 컴퓨트

@{gold_table}로 "{대시보드 이름}" 대시보드를 만들어줘.

Row 1: KPI 카운터 {N}개 ({KPI1}, {KPI2}, {KPI3}, ...)
Row 2: {차트타입1} ({설명}), {차트타입2} ({설명})
Row 3: {차트타입3} ({설명}), {차트타입4} ({설명})

필터: {필터1}, {필터2}, {필터3}

다음 설정으로 Genie Space를 만들어줘.

이름: {Space 이름}
설명: {한 줄 설명}
테이블: @{table1}, @{table2}, @{table3}

General Instructions:
- 날짜 미지정 시 최근 7일
- 비율은 소수점 1자리
- {비즈니스 규칙1}
- {비즈니스 규칙2}

@{catalog.schema} 스키마의 모든 테이블과 컬럼에 
비즈니스 담당자가 이해할 수 있는 한국어 COMMENT를 달아줘.
값의 의미, 단위, 범위를 포함해줘.

Knowledge Assistant를 만들어줘.
이름: {이름}
지식 소스: @{knowledge_table}
Vector Search 엔드포인트: {endpoint_name}
임베딩 모델: databricks-gte-large-en
LLM: databricks-claude-sonnet-4
System Prompt: "{역할 설명}"

Supervisor Agent를 만들어줘.
이름: {이름}
하위 에이전트:
1. "{KA 이름}" (Knowledge Assistant) → {라우팅 조건}
2. "{Genie Agent 이름}" (Genie Agent) → {라우팅 조건}

{설명} 데이터 {N}건을 생성해줘.
테이블: {catalog.schema.table}
컬럼: {col1}, {col2}, {col3}, ...
{col1} 분포: {값1}({비율1}%), {값2}({비율2}%), ...
PySpark + Faker 사용, Delta 테이블로 저장, COMMENT 추가.

Stop. {무엇이 잘못됐는지 구체적으로 설명}.
{올바른 방법} 으로 수정해줘.

이 쿼리가 {문제}. 
파티션 프루닝, Z-ORDER, 셔플 최소화 방향으로 최적화해줘.